1.基于语言和非语言特征的社交网络用户识别方法，其特征在于，包括以下步骤：S1、收集社交网络用户账号的评论文本，进行数据清洗，之后将不同的用户账号两两组合，得到社交网络马甲识别训练集；

S2、基于社交网络马甲识别训练集，从中提取语言和非语言的特征，将语言特征和非语言特征进行横向拼接；非语言特征包括用户的登陆时间、用户的活跃时间、用户的评论数目、用户的互动次数、用户的上线次数、用户的每天平均评论条数、用户发表的文本长度和平均每一条文本长度；

用户的语言特征获取过程包括：

获取每个用户的每个评论文本进行训练，并将每个词转换为word2vec表示；

之后将每个账户中提取出的关键词word2vec进行纵向拼接，使用余弦相似度计算方法计算出每个账号拼接后关键词的word2vec的相似度；

将计算得到的关键词的word2vec的相似度以及文本的长度、情感词个数作为用户的语言特征；

S3、引入SVM模型，使用该模型对数据集进行训练，得到最终的基于语言和非语言特征马甲识别模型，利用特征选择技术贪心算法选择最优的特征组合，具有包括：S401、从所有特征中选取能够使SVM模型取得最高准确率的特征，并将该特征存放在最优的特征组合中；

S402、从剩下的特征中选取特征与最优的特征组合进行组合；

S403、挑选出进行组合后准确率最高的特征，若该组合的准确率大于组合之前的准确率，则将该特征选入最优的特征组合并返回步骤S402；若该组合的准确率小于组合之前的准确率则结束，输出最优的特征组合；

S4、将提取实时的两个用户的最优的特征组合，并将该特征组合输入SVM模型，即可识别出这两个用户账户是否为同一个用户操纵。

2.根据权利要求1所述的基于语言和非语言特征的社交网络用户识别方法，其特征在于，将语言特征和非语言特征进行横向拼接包括采用逻辑回归算法的线性加权，训练语言特征和非语言特征的权重矩阵，自适应地选择语言特征和非语言特征的权重，表示为：Y＝W1×N+W2×M；

其中，Y表示语言和非语言相结合的特征矩阵；W1为语言特征的权重矩阵；N为语言特征矩阵；W2为非语言特征矩阵；M为非语言特征矩阵。

3.基于语言和非语言特征的社交网络用户识别装置，其特征在于，包括数据获取模块、语言特征获取模块、非语言特征获取模块、特征拼接模块、特征选择模块以及实时预测模块，其中：数据获取模块，用于获取用户数据，包括语言特征数据和非语言特征数据；

语言特征获取模块，用于根据用户的语言特征数据提取语言特征，其中语言特征数据包括用户评论的文本数据、文本的长度、情感词个数；语言特征获取模块包括关键词相似度计算单元、文本长度检测单元以及情感词数量检测单元，关键词相似度计算单元包括文本数据训练子单元、关键词提取子单元、拼接单元以及相似度计算单元，其中：文本数据训练子单元，用于将用户评论的文本数据的每个词转换为word2vec表示；

关键词提取子单元，用于从word2vec表示的文本数据中提取关键词；

拼接单元，用于将提取的关键词进行纵向拼接；

相似度计算单元，用于计算每个关键词word2vec表示的相似性；

文本长度检测单元，用于检测用户每次评论的文本数据的长度；

情感词数量检测单元，用于检测用户每次评论的文本数据中情感词出现的次数；

非语言特征获取模块，用于根据用户的非语言特征数据提取用户的非语言特征，其中非语言特征数据包括用户的登陆时间、用户的活跃时间、用户的评论数目、用户的互动次数、用户的上线次数、用户的每天平均评论条数、用户发表的文本长度和平均每一条文本长度；

特征拼接模块，用于将用户的语言特征和非语言特征凭借在一起；

特征选择模块，用于从用户的所有特征中挑选出最佳的特征；包括：S401、从所有特征中选取能够使SVM模型取得最高准确率的特征，并将该特征存放在最优的特征组合中；

S402、从剩下的特征中选取特征与最优的特征组合进行组合；

S403、挑选出进行组合后准确率最高的特征，若该组合的准确率大于组合之前的准确率，则将该特征选入最优的特征组合并返回步骤S402；若该组合的准确率小于组合之前的准确率则结束，输出最优的特征组合；

实时预测模块，用于根据两个用户的最优的特征组合判断该两个用户账号是否为同一个用户操纵。

4.根据权利要求3所述的基于语言和非语言特征的社交网络用户识别装置，其特征在于，特征拼接模块将语言特征和非语言特征进行拼接的过程表示为：Y＝W1×N+W2×M；

其中，Y表示语言特征和非语言相结合的特征矩阵；W1为语言特征的权重矩阵；N为语言特征矩阵；W2为非语言特征矩阵；M为非语言特征矩阵。